随着大数据时代的到来,各个领域都会产生海量的数据。对这些海量数据进行初步处理,再利用数据挖掘技术进行特定方向的分析,往往就能得到一些针对特定领域的有用特征和规律,进而指导行业生产,获得巨大收益。C4.5决策树算法是数据挖掘算法的重要分支之一,研究改进C4.5算法具有现实的意义。针对C4.5算法在计算连续属性信息增益率时时间开销过大的问题,提出应用K-means算法首先计算C4.5算法的连续属性取值的聚类中心,再根据得到的聚类中心计算该属性的信息增益率。针对K-means算法随机选取点作为初始聚类中心导致最终得到的聚类中心不稳定以及计算次数过多的问题,提出了两种改进算法。一是Average-K-means算法,先将连续属性的所有值进行排序并得到序列,再K等分该序列的值域,把K等分点作为初始聚类中心。二是Density-Kmeans算法,将连续属性的所有值进行排序并得到序列,再从序列中找到取值密度较大的区域,把这些区域取值的平均值作为初始聚类中心。将上述两种改进算法与C4.5算法相结合,进一步提出了改进的C4.5算法——Density-Average-K-means-C4.5算法。该算法在计算连续属性信息增益率时,在当前样本容量较大的情况下使用Density-K-means算法计算该连续属性值的聚类中心,反之使用Average-K-means算法。计算得到的聚类中心代替该属性的所有取值来计算该属性的信息增益率。基于UCI的两个数据集进行的实验结果表明,该算法与原始和现有改进的C4.5算法相比,建立决策树所需的时间大大减少,准确率相差无几。